Qwen3.7 Max vs DeepSeek V4 vs Kimi K2.6 – Perusteellinen vertailu

Päättely & Tietämys

Hinnoitteluvertailu (API — per 1 miljoona tokenia, USD)

Mallien kustannukset eroavat dramaattisesti. Hinnat ovat virallisilta API-alustoilta. Huomioi erityisesti DeepSeekin pysyvä, massiivinen alennus, joka muutti markkinaa.

Huomautus DeepSeekin hinnoittelusta: DeepSeek muutti 75 % lanseerausalennuksensa pysyväksi toukokuun 2026 lopussa. Hinta on nyt pysyvästi $1.74/$3.48 syöte/tuotos, ja siitä saa edelleen päivittäisen volyymiperusteisen alennuksen joillain alustoilla. . Taulukon hinnat ovat pysyvät listahinnat. Monet palveluntarjoajat, kuten OpenRouter, tarjoavat malleja pienellä katteella.

Syväanalyysi: Kuka voittaa ja missä?

1. Koodaus & Agentit – Tasan ei käy

Kolme mallia ovat hämmästyttävän lähellä toisiaan SWE-Bench Verified -testissä (80.2–80.6 pistettä). Ero tulee vastaan, kun katsotaan tarkemmin:

• Qwen3.7-Max on agenttimaisen koodauksen kuningas. Se johtaa sekä Terminal-Bench 2.0:ssa (69.7) että SWE-Bench Prossa (60.6), mikä kertoo erinomaisesta kyvystä toimia monimutkaisissa, monivaiheisissa kehitystehtävissä itsenäisesti.
• DeepSeek V4 Pro Max on puhdas koodaustykki. Se dominoi kilpailullisen koodauksen areenoita LiveCodeBench-pisteillä (93.5) ja Codeforces-rankingilla (3206). Nämä ovat testatuista malleista korkeimmat raa'an koodauskyvyn lukemat.
• Kimi K2.6 loistaa, kun tehtävä vaatii ulkoisia työkaluja. Se johtaa työkaluavusteisessa HLE-testissä (54.0) ja agenttikoodauksessa SWE-Bench Prolla (58.6). Se on kuin luotu monimutkaisiin työnkulkuihin, joissa tekoäly käyttää eri ohjelmia saavuttaakseen päämääränsä.

2. Päättely – Matematiikkaa ja tiedonhakua

• Qwen3.7-Max on matematiikan mestari. Se saavuttaa kärkitulokset lukiotason matematiikkakilpailussa (HMMT 97,1 %) ja korkeakoulutason luonnontieteissä (GPQA Diamond 92,4 %). Se päihittää DeepSeekin selvästi Apex-päättelytestissä (44.5 vs. 38.3).
• DeepSeek V4 Pro Max pysyy hyvin perässä matematiikassa (HMMT 95.2 %), mutta sen suorituskyky tiedonhaussa ja vaativassa poikkitieteellisessä päättelyssä (HLE 37.7) jää kilpailijoista. Riippumaton NIST:n arvio vahvistaa, että malli saattaa olla lähempänä noin 8 kuukautta vanhaa GPT-5:tä kuin uusimpia malleja, kuten Claude Opus 4.6:ta.
• Kimi K2.6 on tiedonhaun ja synteesin ykkönen. Se johtaa DeepSearchQA-testiä (92.5 F1) ja työkaluavusteista HLE:tä, mikä osoittaa sen vahvuuden skenaarioissa, joissa haetaan, yhdistellään ja tulkitaan tietoa useista lähteistä.

3. Hinnoittelu & Vastine rahalle – Kuilu on valtava

• DeepSeek V4 Pro on hinnaltaan aivan omassa luokassaan. Kun tuotos maksaa $3.48 per miljoona tokenia ja painot ovat avoimesti ladattavissa itseisännöintiä varten, se tarjoaa huikeaa laskentatehoa murto-osalla kilpailijoiden hinnasta. Jos budjetti on ensisijainen kriteeri, valinta on selvä.
• Kimi K2.6 asettuu keskihintaluokkaan $4.00 tuotokseltaan. Sen heikkous on kuitenkin pienempi 256 000 tokenin konteksti-ikkuna, kun taas Qwen ja DeepSeek tarjoavat 1 000 000 tokenia. Tämä voi olla ratkaisevaa erittäin pitkien dokumenttien tai koodikantojen käsittelyssä.
• Qwen3.7-Max on selvästi kallein, $7.50 per tuotosmiljoona tokenia. Hinta heijastaa sen kärkisuorituskykyä agenteissa ja matematiikassa. Alibaba tarjoaa alennuksia eräajoista ja context cachingista, mutta perushinta on kova.

Tärkeä varoitus: Usko, mutta varmista

Toukokuussa 2026 julkaistu Yhdysvaltain NIST-viraston CAISI-arviointi paljasti, että DeepSeek V4 Pron itsensä ilmoittamat benchmark-tulokset antavat sen kyvyistä todellista ruusuisemman kuvan. NIST:n omissa ei-julkisissa testeissä malli suoriutui pikemminkin kuin elokuun 2025 GPT-5, eikä kuin maaliskuun 2026 Claude Opus 4.6, kuten DeepSeek antoi ymmärtää. Tämä koskee vain DeepSeekiä — Qwen3.7-Maxia ja Kimi K2.6:ta ei arvioitu samassa raportissa. Tämä havainto korostaa riippumattomien, kolmannen osapuolen testien kriittistä merkitystä.